Этапы принятия решений на основе данных: как стать data-driven

Часто компании не переходят на Data Driven management, так как считают, что анализировать данные — сложно и дорого. Иногда CEO внедряют в бизнес управление на основе данных, но скоро отказываются, потому что никто в компании не понимает, что делать с массивом статистики и как он поможет в работе.

На деле не обязательно вкладывать в Data Driven большой бюджет, время и силы. Но нужен четкий план внедрения и ответ на вопрос «Зачем?». Разбираемся, какие этапы нужно пройти, чтобы внедрить процесс принятия решений на основе данных и начать получать от него профит.

Data Driven Decision Making (DDDM) — это управление бизнес-процессами на основе данных.

Переходить на Data Driven модель нужно постепенно, выстраивая стратегию от постановки целей и сбора данных до построения и проверки гипотез. Давайте вместе пройдем по этапам.

Внедрять Data Driven культуру в компании проще, когда основатели компании уже являются ее носителям. Без поддержки ТОПов дорогие и сложные нововведения обычно не приживаются.

От этих же людей зависит и общий курс развития бизнеса. Перед тем как собирать данные, вместе с руководителями нужно ответить на вопросы: «Для чего собирать данные? Как мы будем их использовать?». Данные могут дать хороший ответ на конкретный бизнес-вопрос, но чтобы начать строить такую инфраструктуру, в которой будет нужная информация, эти вопросы стоит продумать заранее на уровне общих бизнес-целей.

Например, крупный телекоммуникационный оператор поставил цель — предоставлять ключевым клиентам лучший пользовательский опыт. Но в компании собирали только сводные статистические данные о производительности сети. Поэтому было мало информации о качестве обслуживания и какой сервис получают клиенты. Чтобы оператор смог провести количественный анализ влияния обновлений сети на потребителей, понадобились новые метрики оценки опыта клиентов и новый массив данных под них.

Вот примеры бизнес-целей, которые способны задать вектор, какие данные собирать.

Бизнес может собрать тысячи типов данных из разных источников. Но всю информацию нужно где-то хранить, обрабатывать и анализировать. А чем больше объем, тем дороже и сложнее это делать.

Чтобы не засорять хранилище и быстро находить информацию, нужно собирать только данные, которые подходят для достижения цели. Если непонятно, какая информация нужна, можно собрать весь массив доступных данных за небольшой период, проанализировать его и выбрать нужное.

Например, бизнес поставил цель — клиент должен возвращаться в магазин за повторными покупками не реже, чем раз в полгода. Но компания не знает точно, какие данные нужны, чтобы строить стратегию. В течение месяца команда собирает все доступные данные о покупках и результатах акций, информацию о клиентах.

Качество данных можно проверить через ответы на вопросы:

• Насколько им можно доверять? Как их собрали и как они обновляются?
• Насколько релевантны? Как они помогают бизнесу?
• Насколько масштабируются? Можно ли их купить?
• Какие они дают преимущества перед конкурентами?

Есть «метрики тщеславия». Это количественные выражения, которыми конкуренты «меряются». Например, количество трафика, шеринга, скачиваний. Большинство таких метрик не нужны для работы с данными.
Гораздо важнее «метрики качества». Они показывают, насколько хорошо идут дела в бизнесе. К ним относятся средний чек, LTV, ROMI, ДРР и подобные.

Вот набор метрик, который нужен любому бизнесу вне зависимости от величины и сферы деятельности. Стартапы используют эти метрики, чтобы посчитать юнит-экономику и увидеть свою точку окупаемости, а уже сложившиеся компании — чтобы строить новые гипотезы роста на данных:

• Маркетинговый бюджет;
• CPO (Cost per Order) — расходы на один заказ;
• CPA (Cost per Action) — стоимость полезного действия;
• CPC (Cost per Click) — цена за клик;
• CR (Conversion Rate) — конверсия в целевое действие;
• RR (Retention Rate) — коэффициент удержания клиентов;
• ROMI (Return on Marketing Investment) — коэффициент возврата маркетинговых инвестиций;
• ДРР (Доля Рекламных Расходов) — отношение рекламных расходов к доходам от этой рекламы;
• Active Clients — действующие клиенты;
• CAC (Customer Acquisition Cost) — стоимость привлечения нового пользователя;
• LTV (Lifetime Value) — пожизненная ценность клиента, прибыль, которую приносит покупатель за все время;
• ARPU (Average Revenue Per User) — средний доход с одного пользователя;
• Average check — средний чек,
• Revenue — выручка компании.

У бизнеса почти всегда есть проблемы в настройке сценариев от закупки трафика до продаж, потому что бизнес не работает с агрегированными пользовательскими данными.

Браузеры и рекламные системы ограничивают информацию о пользователях, которая нужна бизнесу. Это нужно, чтобы точнее настраивать сегменты в рекламных кампаниях, находить целевую аудиторию через соответствие с существующими клиентами, защищаться от каннибализации конверсий, то есть не платить по несколько раз в разных каналах за привлечение одного клиента.

Идентифицировать пользователей в разных сценариях сегодня помогает машинная обработка больших данных. Например, в Андата за сбор разрозненной информации в единый цифровой профиль из всех систем отвечает одна из наших патентованных технологий — «Цифровой паспорт клиента».

Важно не только собирать и тегировать такие данные, но и постоянно обновлять их — рынок динамичен и данные устаревают очень быстро.

В такой портрет входит не только демография и информация о местоположении пользователя. К нему относятся десятки параметров о поведении клиента в сети: какими устройствами и браузерами пользуется, как часто кликает рекламу, как ведет себя на ваших сайтах и в приложениях, и если это ваш клиент — что, когда и как покупает.

Нужно ответить на вопросы: «Какие ресурсы у нас есть, чтобы собирать и обрабатывать данные?»

Для перехода на Data Driven понадобятся:

• Люди, которые будут собирать данные. Нужен человек, который будет внедрять подход, координировать сбор данных, обучать сотрудников компании собирать и анализировать информацию. Это может быть приглашенный аналитик или сотрудник из компании. Внутри отделов так же нужно выделить людей, ответственных за сбор своего «кусочка» данных.
• Доверие к данным. Информация должна быть качественной — точной и достоверной.
• Инструменты для сбора данных. И тут не всем нужны BI-системы за миллионы рублей, на старте можно использовать бесплатные программы, например, Яндекс.Метрику, Google Analytics. Собрать более полные «сырые» данные помогут недорогие сервисы, например, AnData. Но нужно учитывать, что любая программа будет бесполезна, если нет человека, который умеет с ней работать.
• Хранилище данных. Хранить данные можно на собственном серевере, арендованном сервере или в облаке. Нужно учитывать, что с ними будет работать несколько сотрудников. Поэтому лучше использовать облачные хранилища, либо развернуть собственную уобную инфраструктуру для хранения и обработки данных.
• Бюджет. Как минимум нужно оплатить услуги аналитика и платить за хранилище, если бесплатного пространства не хватает. Понадобится вложиться во внедрение и поддержку технического решения, которое вы будете использовать для хранения, обработки, анализа и визуализации данных.
• Знания и опыт анализа и интерпретации данных. Аналитик работает с общим массивом данных, но менеджеры, CEO также должны уметь пользоваться информацией, чтобы самостоятельно делать выводы и строить гипотезы.

Перед тем как внедрять Data Driven, нужно проанализировать, какие ресурсы — люди, техника, финансы и практический опыт — есть у организации. Бывает, что бюджета хватает только на зарплату аналитика. Тогда сбор данных можно начинать с малого и пользоваться бесплатными инструментами.

Техническое задание также должно соответствовать целям бизнеса. Аналитик не сможет дать релевантные данные, если попросить его «сделать что-нибудь».

Распространено два ошибочных мнения об аналитиках. Их воспринимают или как людей, которые разговаривает на непонятном языке, или как суперменов, которые должны решить все проблемы бизнеса.

Главная задача аналитика — сделать из данных деньги.
Такой специалист знает, где искать проблемы, куда и по каким причинам уходит бюджет и подскажет пути, как зарабатывать больше. Но если бизнес находится на грани банкротства, аналитик может быть бессилен. Он только сможет рассказать, в какой момент начались проблемы и почему так произошло.

Аналитик должен уметь:

• самостоятельно обращаться к базе данных,
• делать понятные выводы,
• предлагать решение проблем,
• визуализировать данные,
• иметь свою независимую точку зрения, доказывать ее цифрами,
• досконально выяснять техническое задание, спрашивать о целях, а не слепо следовать ТЗ,
• работать не только в рамках ТЗ, но предлагать варианты,
• постоянно развиваться, не застревать на узкой области.

Не получится перейти на новую систему, если люди не понимают, зачем. В первую очередь это касается руководителей отделов, менеджеров, которые будут собирать данные для аналитики.

Сотрудники могут воспринимать нововведение как:

• «Опять директор придумал какую-то ерунду. На меня взвалят новые функции, а зарплату оставят прежней»
• «Автоматизация?! Меня что, хотят заменить на робота?! Мне грозит увольнение?!»
• «Собирать новый отчет? Ок, не привыкать. Держите данные». И предоставляет огромные таблицы с бессмысленными и не выверенными цифрами.

Поэтому важно договориться — Data Driven вводится, чтобы всем помочь повысить эффективность и вывести бизнес на новый уровень. Следовательно, вывести на новый уровень и их компетенции, зарплату и другие факторы. Переход должен проходить постепенно.

Когда Data Driven начинает масштабироваться, аналитик обучает сотрудников работе с данными, чтобы уполномоченные могли самостоятельно считывать нужную им информацию и делать выводы и прогнозы в рамках своего направления.

Выгрузка баз данных напрямую зависит от качества работы IT. Аналитик и IT-специалист должны работать в связке, в идеале, без посредников. Некоторые компании выделяют специалиста, который работает только с базой данных.

Аналитик и IT решают проблемы выгрузки баз данных. Например:

Чем больше компания, тем большему количеству людей нужен доступ к данным. Иногда один отдел может понять, что какая-то информация ему не нужна, и удаляет столбец или файл. Но может быть, эти данные нужны были другому отделу. А иногда случайно удаляют базу целиком.

Чтобы такого не произошло, нужно настроить систему доступов, назначить ответственных, которые будут менять базу и сообщать другим об изменениях. Понадобится и ответственный технический специалист, который настроит хранилище, систему бэкапов, защиту от взломов и будет следить за тем, чтобы все работало.

Обычно на этом этапе появляется выделенная роль Data Engineer — человек, а потом и команда, который отвечает за поддержку и развитие инфраструктуры по работе с данными.

Когда человек видит много таблиц и дашбордов, у него возникает иллюзия контроля. На деле невозможно считать хаотично разбросанные показатели. На хорошей визуализации собраны полные и корректные данные и все показатели видно на одном экране. Также важно, чтобы на визуализации были видны данные за длительный период. Иначе есть риск сделать неверные выводы.

Нужно учитывать, что разным командам могут быть нужны разные массивы данных. Для CEO важны цифры по достижению целей бизнеса. Руководителям отделов — метрики, которые касаются их направления. Например, отделу продаж и HR вряд ли интересна глубина просмотров страниц на сайте и время визита пользователя, в то время как для маркетологов или SEO-специалиста это одни из базовых метрик.

Аналитик должен продумать визуализацию так, чтобы каждый пользователь мог быстро увидеть только интересующую его информацию, а руководитель — проанализировать положение бизнеса в целом.

Когда инфраструктура готова, накапливается массив данных и на основе собранной информации уже пора начинать системно принимать решения. И здесь на первый план снова выходят люди — инструменты и технологии не принесут пользу, если ими не умеют и не хотят пользоваться.

Когда команда договорилась, что данные могут помочь решать рабочие задачи и двигать бизнес вперед, когда потрачены деньги и время на сбор, хранение, визуализацию, нужно убедиться, что команда:

• умеет читать данные. Когда нужно принять бизнес-решение они смотрят на числа;
• понимает данные. Базовые аналитические навыки есть у всех причастных к решениям.
• доверяет данным и руководствуемся ими при принятии решений.

Так бизнес создает культуру роста через постоянную генерацию и проверку гипотез. Для этого есть свои инструменты, о которых мы расскажем в отдельных статьях — это сплит-тесты, кастдевы и другие виды исследований.

Например, мебельный магазин решил продавать мебель в стиле авангард. Но не было уверенности, что новый ассортимент понравится покупателям. Тогда компания выделила сегменты покупателей: действующих клиентов и пользователей, не взаимодействовавших с брендом. Далее, запустила рекламу на 10% аудитории и провела анализ. Выяснилось, что новая линейка вызывает интерес и у постоянных, и у новых покупателей, но только у людей до 45 лет.

Магазин решил подкрепить гипотезу методом CustDev. Нашел людей, которые покупали подобную мебель, и провел с ними интервью, чтобы выяснить портрет такого покупателя и мотивы, которые привели к покупке прежде, чем запускать продажу новой линейки.